此次收购将推进英特尔的人工智能战略,并增强数据中心人工智能加速器产品组合
2019年12月16日,美国加州圣克拉拉——英特尔公司今天宣布以20亿美元收购Habana Labs。该公司总部位于以色列,是一家为数据中心提供可编程深度学习加速器的厂商。此次收购将增强英特尔的人工智能产品组合,并加快其在快速增长的人工智能芯片新兴市场的发展。英特尔预计,到2024年,这一市场规模将超过250亿美元 。
英特尔数据平台事业部执行副总裁兼总经理孙纳颐(Navin Shenoy)认为:“此次收购推进了我们的人工智能战略,即:从智能边缘到数据中心,为客户提供适合各种性能需求的解决方案。具体来说,通过高性能训练处理器系列产品和基于标准的编程环境,Habana Labs大大增强了我们数据中心人工智能产品的实力,以应对不断变化的人工智能负载。”
英特尔的人工智能战略基于这样一个信念:要想充分利用人工智能的力量来改进业务成果,就需要广泛的软硬件技术组合以及完整的生态系统支持。现在,英特尔人工智能解决方案正在帮助客户把数据转化为业务价值,并为公司带来可观的收入。2019年,英特尔预计人工智能业务带动的收入将超过35亿美元,同比增长20%以上。英特尔和Habana将共同为数据中心加速带来一流的人工智能产品,满足客户不断变化的需求。
孙纳颐同时表示:“我们了解到,客户们在寻求易于编程的专用人工智能解决方案时,也需要在各种工作负载和神经网络拓扑上拥有卓越的可扩展性能,而Habana在这些方面的骄人纪录有目共睹,因此我们很高兴Habana这样的人工智能团队加入英特尔。我们整合后的知识产权和专业知识,将为数据中心的人工智能工作负载提供无与伦比的计算性能和效率。”
收购完成后,Habana将作为一个独立的业务部门,并将继续由当前管理团队来领导。Habana将向英特尔数据平台事业部报告,该事业部也是英特尔广泛的数据中心人工智能技术的大本营。此次收购将使Habana能够充分利用英特尔人工智能能力,其中包括过去三年人工智能软件、算法和研究方面的深厚专业知识和积累的大量资源,将有助于Habana不断扩展并加速发展。
Habana董事长Avigdor Willenz同意担任该业务部门以及英特尔的高级顾问。Habana的总部将继续设于以色列不变,该地英特尔也有长期投资和布局。此次交易之前,英特尔投资是Habana的投资方。
Habana首席执行官David Dahan表示:“由于之前就有英特尔的投资,我们很幸运能够了解英特尔的业务并与之合作,如今,我们很高兴正式加入英特尔大家庭。英特尔创建了世界一流的人工智能团队和能力。我们很高兴与英特尔合作,加快并扩展我们的业务。携起手来,我们将更快地为客户带来更多人工智能创新。”
展望未来,英特尔计划充分利用不断增长的人工智能技术产品组合和人工智能人才,为客户的人工智能工作负载提供无与伦比的计算性能和效率。
Habana的Gaudi人工智能训练处理器目前正在为特定超大规模客户提供样品。与使用同等数量GPU构建的系统相比,基于Gaudi的大节点训练系统的吞吐量预计将增加4倍。Gaudi旨在让系统实现高效灵活的横向、纵向扩展。
此外, Habana的Goya人工智能推理处理器已实现商用,其在极具竞争力的包络功率中具有超大的吞吐量和超低的实时延迟,由此展现出自身卓越的推理性能。随着人工智能工作负载的不断增加,对计算、内存和连接的要求也越来越高,Gaudi训练产品和Goya推理产品能够提一个丰富的、易于编程的开发环境,能够帮助客户部署差异化解决方案。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。